[论文解读] Cross-population coupling of neural activity based on Gaussian process current source densities

Natalie Klein, Joshua H. Siegle+2 more|arXiv (Cornell University)|Apr 20, 2021

Neural dynamics and brain function参考文献 42被引用 7

一句话总结

本文提出了一种新颖的高斯过程电流源密度（GPCSD）框架，将神经电流源建模为具有显著快慢分量的时空高斯过程，实现了对局部场电位（LFP）信号的鲁棒分解，揭示了可解释的、试验间波动的成分。该方法在传统CSD估计的基础上，揭示了灵长类听觉皮层和小鼠视觉皮层中原始LFP无法检测到的层特异性相位耦合与跨探针相关性。

ABSTRACT

Because local field potentials (LFPs) arise from multiple sources in different spatial locations, they do not easily reveal coordinated activity across neural populations on a trial-to-trial basis. As we show here, however, once disparate source signals are decoupled, their trial-to-trial fluctuations become more accessible, and cross-population correlations become more apparent. To decouple sources we introduce a general framework for estimation of current source densities (CSDs). In this framework, the set of LFPs result from noise being added to the transform of the CSD by a biophysical forward model, while the CSD is considered to be the sum of a zero-mean, stationary, spatiotemporal Gaussian process, having fast and slow components, and a mean function, which is the sum of multiple time-varying functions distributed across space, each varying across trials. We derived biophysical forward models relevant to the data we analyzed. In simulation studies this approach improved identification of source signals compared to existing CSD estimation methods. Using data recorded from primate auditory cortex, we analyzed trial-to-trial fluctuations in both steady-state and task-evoked signals. We found cortical layer-specific phase coupling between two probes and showed that the same analysis applied directly to LFPs did not recover these patterns. We also found task-evoked CSDs to be correlated across probes, at specific cortical depths. Using data from Neuropixels probes in mouse visual areas, we again found evidence for depth-specific phase coupling of primary visual area and lateromedial area based on the CSDs.

研究动机与目标

• 为解决使用细胞外LFP记录识别分布式神经种群和皮层分层中协调神经活动的挑战。
• 克服传统CSD估计方法对噪声敏感且仅适用于均匀分布电极的局限性。
• 开发一种灵活且具有统计原理基础的方法，将LFP分解为具有不同时间尺度的、可生物物理解释的电流源密度成分。
• 实现对在原始LFP中因信号混合和噪声而被掩盖的试验间相关性的检测。
• 在真实灵长类和小鼠神经数据上验证该方法，证明其在揭示深度特异性与任务诱发神经协调方面的实用性。

提出的方法

• 该方法将电流源密度（CSD）建模为一个均值函数（时变空间函数）与一个零均值、平稳的时空高斯过程之和，该过程包含快慢分量。
• 采用生物物理前向模型将CSD映射到观测到的LFP，加入加性高斯噪声，形成层次化状态空间模型。
• 通过在空间网格上对核函数进行数值积分来计算空间协方差结构，使用中点法或梯形法则近似一维和二维积分。
• 该框架采用灵活的低维参数化方式对高斯过程进行正则化，以解决源估计中病态逆问题。
• 通过最大似然估计进行模型拟合，似然评估依赖于从积分网格预先计算的空间协方差矩阵AKB。
• 该方法支持一维、二维或三维中不均匀分布的电极，并允许在模型拟合过程中进行参数调优。

实验结果

研究问题

• RQ1 一种能将LFP分解为可生物物理解释的电流源密度的统计模型，是否能揭示在原始LFP中不可见的试验间神经活动相关性？
• RQ2 与现有CSD估计方法相比，GPCSD框架是否提升了神经源信号的识别能力？
• RQ3 在听觉和视觉皮层中，是否存在仅通过CSD分解才能检测到的神经种群间深度特异性相位耦合模式？
• RQ4 该框架能否检测到在空间分离探针的皮层分层中任务诱发的CSD相关性？
• RQ5 当真实信号包含的组分多于假设时，该方法对模型误设的鲁棒性如何？

主要发现

• 在模拟数据中，与现有CSD方法相比，GPCSD框架显著提升了源信号识别能力，尤其在捕捉快速、非白噪声波动方面表现更优。
• 在灵长类听觉皮层中，该方法揭示了两个探针之间存在的层特异性相位耦合，而在分析原始LFP时则完全缺失。
• 任务诱发的CSD在特定皮层深度处表现出跨探针相关性，表明存在协调的种群活动。
• 在小鼠视觉皮层中，GPCSD分析检测到初级视觉皮层与外侧-内侧区域之间的深度特异性相位耦合，而原始LFP数据中并未显现。
• 当使用包含两个组分（平方指数和Matérn）的模型拟合时，该方法在生成自三个组分的数据上实现了7.4 × 10⁻⁵的均方误差，表明其对模型误设具有极强的鲁棒性。
• 使用仅包含一个时间协方差结构（平方指数）的误设模型时，均方误差达到0.01，比正确指定的模型高出数个数量级，凸显了模型灵活性的重要性。